75 år på 15 minutter: fra Turing til ChatGPT

Det føles som om AI dukkede op i 2022 sammen med ChatGPT. Faktisk er historien 75 år gammel, og den er fuld af genier, drama og brudte løfter. Lad os komme i gang.

Prøv det først — lige her. Under prompten er der en Kør-knap: tryk på den, og en ægte AI svarer på denne side — det eneste, det kræver, er et gratis et-klik-login (Google eller Telegram). Indsæt dit eget job i parenteserne — eller kør den, som den er:

You are an experienced assistant. I work as a [your job].
Name 5 work tasks you could take off my hands,
and for each one give a short example of the request I'd send you.

Det er, hvad AI er: du skrev opgaven med almindelige ord — den gjorde arbejdet. Hele dette kursus handler om at få den slags svar pålideligt, ikke ved held. Husk, hvordan dette minut føltes — nu tilbage til historien, uden hvilken AI aldrig rigtig giver mening.

Akt I. Manden der stillede spørgsmålet (1950)

England, 1950. Matematikeren Alan Turing udgiver en artikel med et dristigt spørgsmål: «Kan maskiner tænke?» Dette er den samme Turing, der brød Enigma-krypteringsmaskinen under Anden Verdenskrig. Historikere anslår, at det forkortede krigen med to år.

I stedet for at diskutere filosofi foreslår han et spil — vi kalder det nu Turing-testen. Ideen er enkel: hvis du ikke kan skelne en maskine fra et menneske i en skriftlig samtale, betyder det så noget, om den „tænker“? Resultatet overgår definitionen. Tooghalvfjerds år senere ville millioner af mennesker dagligt chatte med en maskine, der er stadig sværere at skelne fra et menneske. Turing oplevede det aldrig. Han døde i 1954 som 41-årig, forfulgt af den samme regering, han havde hjulpet med at redde. I dag bærer den største pris inden for datalogi — Turing Award — hans navn.

Akt II. Begrebet fødes, og det gør løfterne også (1956–1969)

Sommeren 1956, Dartmouth College i USA. En ung matematiker ved navn John McCarthy samler et par dusin forskere til en sommerworkshop og opfinder, til ansøgningen om tilskud, en fængende betegnelse: artificial intelligence. Begrebet, vi alle bruger, er bogstaveligt talt 70 år gammelt, og det blev født som marketing for et tilskud.

Optimismen var skyhøj. I 1958 afslørede psykologen Frank Rosenblatt perceptronen — det første lærende „neurale netværk“, på størrelse med et klædeskab. The New York Times skrev, at maskiner snart ville „gå, tale, se og være bevidste om deres eksistens“. Pionererne lovede intelligens på menneskeligt niveau „om 20 år“.

Akt III. AI-vintrene (1970'erne og slutningen af 1980'erne)

Næsten alt gik galt: computere var millioner af gange for svage, der var ingen data, og metoderne selv ramte et loft. I 1973 rev den britiske Lighthill-rapport feltet fra hinanden: løfterne var ikke blevet holdt. Finansieringen blev skåret ned, laboratorier lukkede — AI-vinteren var ankommet. I 80'erne gentog „ekspertsystemer“ (programmer lavet af tusindvis af hvis-så-regler) historien: et boom, milliarder investeret, derefter et andet kollaps, da det viste sig, at reglerne var umulige at vedligeholde.

Husk dette mønster: overdimensionerede løfter → skuffelse → kollaps. Det forklarer også nutidens argumenter om AI.

Akt IV. Den stille revolution (1990–2012)

Mens „AI“ praktisk talt var et skældsord, fortsatte en lille gruppe forskere — blandt dem Geoffrey Hinton, en af de førende hjerner bag neurale netværk og en nobelprismodtager i 2024 — stædigt med at arbejde på dem. Deres idé var enkel og radikal: lad være med at programmere viden ind, lad maskinen lære af eksempler. To ingredienser manglede: data og computerkraft.

Internettet bragte begge dele. I 2012 var milliarder af mærkede billeder hobet sig op, og grafikkortene bygget til gaming (GPUs) viste sig at være perfekte til træning af neurale netværk. I 2012 knuste AlexNet, bygget af Hinton og hans studerende, feltet ved ImageNet-billedgenkendelseskonkurrencen: marginen var enorm — fejlraten faldt fra cirka 26 % til 15 % på et enkelt år. Kapløbet var i gang.

Akt V. Eksplosionen (2016–2022)

2016: AlphaGo slår verdensmesteren i Go, Lee Sedol — i et spil med flere mulige positioner, end der er atomer i universet. Kommentatorer kaldte dets 37. træk i spil to „ikke et menneskeligt træk, og ikke et maskintræk, men noget nyt“.

2017: Google-ingeniører introducerer en ny neural-netværksarkitektur — transformer. En arkitektur er netværkets interne layout: det skema, det følger for at behandle information. Ældre skemaer læste tekst ord for ord og havde, ved slutningen af en lang sætning, „glemt“ starten. Transformer ser på hele teksten på én gang og finder ud af, hvilke ord der er forbundet med hvilke — mekanismen blev kaldt „attention“.

Et sådant netværk kan trænes på gigantiske mængder tekst, og det er selve grundlaget for T'et i GPT — Generative Pretrained Transformer. Data og kraft havde nu en tredje ledsager: den rette arkitektur.

30. november 2022: OpenAI åbner ChatGPT for offentligheden. 100 millioner brugere på to måneder — på det tidspunkt den hurtigste vækst, en forbrugerapp nogensinde havde set (Instagram tog 2,5 år om at nå dertil, TikTok 9 måneder). Rekorden for ren hastighed ville senere falde til Threads, som nåede 100 millioner på fem dage — men det var ChatGPT, der først viste, at AI var blevet et masseprodukt. En 75 år gammel historie gik ud af laboratorierne og ind i alles telefoner.

Hvad det betyder for dig

Tre pointer, du vil bruge i hver lektion, der følger. For det første: moderne AI lærer af eksempler i stedet for at følge programmerede regler — Hintons idé slog ekspertsystemerne fra Akt III. For det andet: gennembruddet kom, da tre ingredienser mødtes — data (internettet), kraft (GPUs) og arkitektur (transformer) — og alle tre vokser stadig. For det tredje: som AI-vintrene viste, kan dette felt både overlove og overlevere — så herfra vil vi adskille virkelighed fra hype ved hjælp af fakta.

Og hvis du allerede har prøvet anmodningen fra toppen af denne lektion, så kald det dit første praktiske skridt: der kommer mange flere, og med hver enkelt vil AI følge dig mere præcist.